AI není strategie v hiringu e-mailu

AI v e-mailingu zrychlí práci, ale neurčí strategii. Litmus State of Email 2026 ukazuje, že firmy dál hledají hlavně úsudek, automatizaci, analytiku a řemeslo — ne jen dalšího operátora AI.

---

Litmus State of Email 2026 a komentář Kath Pay říkají to, co v hiringu často přehlížíte: AI není strategie, ale nástroj a akcelerátor. Firmy ji sice chtějí po vás už ve 35 % náborů, jenže víc váží strategie a plánování na 31 %, automatizace na 27 % a datová analýza na 24 %.

AI jako nástroj, ne strategie, a co ukazují náborové priority

V praxi pořád narážíme na stejný omyl: AI si někteří marketéři pletou se strategií. Jenže strategie není rychlejší výroba textů ani větší objem výstupů. Strategie znamená rozhodnout, komu mluvíme, proč mu mluvíme, v jakém kontextu a jak poznáme, že to funguje.

AI nám v tom umí pomoct, ale sama ten rámec nevytvoří. Zrychlí práci, nabídne nápady, shrne data, navrhne varianty předmětů nebo kampaní a pomůže odhalit vzory, kterých bychom si jinak všimli později. Pořád ale jen urychluje rozhodování, které musí udělat člověk.

Právě tady je užitečné podívat se na náborová data z reportu Litmus State of Email 2026, jak je interpretuje Kath Pay. Ta čísla neříkají, že firmy chtějí hlavně operátory AI. Říkají něco přesnějšího: chtějí lidi, kteří AI zasadí do širší marketingové práce.

Podle reportu Litmus 35 % firem při náboru upřednostňuje dovednosti v oblasti AI. Současně ale 31 % týmů dává přednost strategii a plánování e-mailových kampaní. Už samotné pořadí je výmluvné. AI má váhu, ale stále nestojí nad strategickým uvažováním.

Další priority to potvrzují ještě víc. 27 % týmů řeší marketingovou automatizaci a vývoj pracovních postupů. 24 % klade důraz na analýzu dat a reportování. 20 % upřednostňuje personalizaci a tvorbu dynamického obsahu. Kath Pay z toho vyvozuje, že firmy nehledají člověka, který umí jen používat AI, ale e-mailového marketéra, který ji dokáže zapojit do celé práce.

To je důležitý posun. V běžné praxi se AI často prodává jako odpověď na všechno. Jenže realita náboru ukazuje, že firmy dál potřebují strategii, automatizaci, analytiku a personalizaci. AI v tomto modelu funguje jako zesilovač schopností, ne jako náhrada úsudku.

Proto se vyplatí číst náborové priority jako mapu skutečných potřeb. Nejde o hon za další módní dovedností. Jde o hledání lidí, kteří dokážou propojit disciplíny, udržet kvalitu a z AI vytěžit rychlost i rozsah, aniž by se z marketingu stala jen továrna na obsah.

Hodnota AI vzniká až ve spojení se strategickým úsudkem

V praxi vídáme pořád stejný omyl: tým si pořídí AI a začne od ní čekat strategii. Jenže AI sama strategii netvoří. Umí zrychlit práci, navrhnout varianty a snížit čas strávený výrobou výstupů. Neumí ale určit, pro koho má komunikace být, jaký cíl má sledovat, v jakém kontextu zákazník jedná a co má obchodně smysl poslat právě teď.

Právě v tom leží rozdíl mezi rychlejší produkcí a lepším marketingem. Když chybí strategický rámec, AI jen vyrobí víc textů, víc návrhů a víc variant. To může na první pohled vypadat jako pokrok, ve výsledku ale často jen urychlí i špatné rozhodnutí. Více obsahu samo o sobě marketing nezlepšuje. Zlepšuje ho až schopnost vybrat publikum, určit cíl, zasadit sdělení do správné fáze zákaznické cesty a měřit, co skutečně přináší hodnotu.

Report Litmus State of Email 2026 podle interpretace Kath Pay ukazuje, že budoucnost emailového marketingu se neposouvá k masové produkci, ale k interpretaci, propojování souvislostí, kladení správných otázek a průběžnému zlepšování. To je podstatný posun. Nejde o to, kolik výstupů zvládneme vyrobit. Jde o to, jestli dokážeme poznat, které výstupy dávají obchodní smysl, zapadají do kontextu nákupu a podporují další krok zákazníka.

Strategické myšlení v tomhle prostředí AI neoslabuje, ale naopak zvýrazňuje. Čím rychleji umí nástroje generovat obsah, tím větší nároky klademe na člověka, který rozhoduje. Bez jeho úsudku se marketing rozpadne na produkci bez směru. S ním se AI stává užitečným zrychlením práce, ne náhradou přemýšlení.

Promptování nestačí; rozhoduje úsudek, zkušenost a schopnost zpochybnit výstup

Správně zadaný prompt je užitečný základ. V praxi ale vidíme, že sám o sobě nic nevyřeší.

Kompetence začíná až ve chvíli, kdy umíme výstup přečíst očima marketéra, ne jako hotový verdikt. Psaní promptů je jen viditelná část práce. Skutečná hodnota vzniká až v posouzení výsledku.

U emailu to platí dvojnásob. Nestačí se ptát, jestli text zní hezky. Ptáme se, zda je přesvědčivý, obchodně rozumný a značkově sedí. Sledujeme, jestli odpovídá kontextu zákazníka, funguje pro konkrétní segment a zapadá do širší strategie.

Tyhle otázky nikdo nevytáhne z modelu za nás. Potřebujeme zkušenost, která pozná slabé místo v argumentaci, přestřelený tón i doporučení, které zrychlí produkci, ale poškodí výsledek.

Proto je důležité rozumět přesvědčování, behaviorální vědě, datům, marketingu v průběhu životního cyklu, testování, doručitelnosti i souladu. AI nám může dodat návrh. Úsudek rozhodne, jestli návrh pustíme dál, upravíme ho, nebo celý směr zahodíme.

V tom je rozdíl mezi člověkem, který umí zadat úkol, a člověkem, který umí nést odpovědnost za výstup.

Automatizace a workflow jako návrh systému a logiky komunikace

Automatizace patří mezi oblasti, kde se nejrychleji ukáže rozdíl mezi operativou a skutečným řízením komunikace. V reportu Litmus State of Email 2026 ji podle interpretace Kath Pay upřednostňuje 27 % týmů, které hledají spíš schopnost navrhnout fungující systém než jen posílat další dávky e-mailů.

V praxi to znamená jinou práci, než jakou často vidíme v běžném marketingu. Nestačí rozběhnout sérii zpráv a doufat, že si vše „sedne“. Marketér musí chápat, co zákazník udělal, proč to udělal a co má následovat. Teprve pak dává smysl rozhodnout, kdy má komunikace přijít, kdy má naopak ustoupit a kde jen zbytečně zvyšujeme tření.

Právě tady se ukazuje, proč společnosti hledají lidi, kteří dokážou stavět sofistikovanější zákaznické cesty. Podle reportu Litmus a výkladu Kath Pay nejde jen o tvorbu automatizovaných programů, mapování chování zákazníků nebo identifikaci spouštěčů. Jde o schopnost propojit jednotlivé kroky do logiky, která funguje v čase a drží obchodní záměr pohromadě.

Automatizační platforma sama ale neodpoví na otázky, které rozhodují o kvalitě řešení. Neřekne nám, proč někdo podnikl akci, co potřebuje dál, co ho může odradit od konverze ani jaké ujištění nebo pobídka budou skutečně užitečné. Stejně tak sama neurčí, kdy má značka promluvit a kdy má mlčet.

Proto má automatizace blíž k návrhu systému než k nákupu nástroje. Potřebujeme přemýšlet o načasování, logice, hierarchii kroků, tření i motivaci. Jinými slovy: nestačí „něco poslat automaticky“. Musíme navrhnout celý průběh komunikace tak, aby respektoval rozhodování zákazníka a nepřekážel mu v dalším pohybu.

V tom je i hlavní posun, který report popisuje. Budoucí marketéři nebudou jen posílat kampaně. Budou vytvářet systémy, které pracují s chováním, kontextem a časem. A právě tam se automatizace stává hodnotnou jen tehdy, když ji řídí člověk s jasným úsudkem, ne jen nastavené workflow.

Analytika a reporting jako rozhodovací disciplína

Analytika v e-mailovém marketingu nesmí končit u výčtu čísel. Má nás dovést k rozhodnutí. Report, který jen sčítá otevření, prokliky, konverze, příjmy, odhlášení nebo rozpad podle zařízení, nám popíše stav. Sám o sobě ale neřekne, co máme udělat dál.

Podle reportu Litmus State of Email 2026 dává 24 % týmů přednost analýze dat a reportování. Kath Pay z toho ve své interpretaci vyvozuje důležitý posun: nejde už jen o sledování výkonu kampaní, ale o schopnost pochopit, co se stalo, proč se to stalo, co to znamená a co má následovat.

Právě tady bývá rozdíl mezi běžnou praxí a prací, která opravdu pomáhá. Mnoho týmů stále zachází s metrikami jako s finálním výsledkem. Ve skutečnosti jde jen o začátek rozhodování. Jedna kampaň může vypadat dobře v příjmech, a přesto poškodit dlouhodobou hodnotu zákazníka. Jiná může mít slabší okamžitý výkon, ale ukazuje zdravější reakci vybraného segmentu.

AI v tom umí výrazně pomoct. Umí shrnout výstupy, odhalit anomálie, najít vzory a projít data rychleji, než to zvládneme ručně. Neumí ale sama posoudit obchodní význam. Neví, zda výsledek skutečně pomohl značce, nebo jen vypadal dobře v tabulce. Neurčí ani to, zda má nález změnit budoucí strategii.

Proto potřebujeme analytické myšlení, které jde nad rámec jedné kampaně. Máme zvažovat vzorce napříč kampaněmi, rozdílné chování segmentů, správně měřenou úspěšnost i hodnotu konverzí. Stejně důležitý je i význam předmětu e-mailu. A nakonec vztah mezi krátkodobými příjmy a dlouhodobou hodnotou zákazníka.

Bez takového rámce jen sbíráme čísla. S ním z reportu vzniká rozhodovací nástroj, který pomáhá marketing řídit, ne jen popisovat.

Personalizace a dynamický obsah mezi relevancí a znepokojivostí

V oblasti personalizace vidíme stejný paradox jako jinde v e-mailu: AI umí škálovat možnosti, ale ne rozhodnout, co je skutečně vhodné.

Podle reportu Litmus State of Email 2026 a jeho interpretace od Kath Pay plánuje personalizaci a dynamický obsah upřednostnit 20 % společností. To samo o sobě není překvapení. Překvapivé je spíš to, jak často se personalizace v praxi zúží na technické „můžeme to udělat“ místo obchodního „mělo by se to udělat“.

AI dnes pomáhá s prediktivní segmentací, doporučováním produktů, generováním obsahu, behaviorálním cílením i dynamickou kreativitou. To všechno je užitečné, pokud máme jasno v tom, pro koho komunikujeme, v jakém okamžiku a jaký dopad má zpráva mít. Bez toho jen zrychlujeme výrobu variací, které mohou působit přesněji, ale ne nutně lépe.

Relevance nevzniká z množství dat, ale z pochopení situace zákazníka. Potřebujeme empatii, kontext, načasování a taky zdrženlivost. Právě zdrženlivost bývá v marketingu podceňovaná. Mít k dispozici více signálů neznamená, že je musíme všechny promítnout do obsahu. Někdy je správné poslat méně, jindy vůbec nic. Hranice mezi užitečným a znepokojivým se často láme na detailech, které si tým bez lidského úsudku ani neuvědomí.

Proto u personalizace neřešíme jen rozsah, ale hlavně smysl personalizace. Co má adresát dostat, proč právě teď a čím mu to skutečně pomůže? Jakmile tyto otázky nedokážeme zodpovědět, personalizace se mění v demonstraci datové síly, ne v lepší zákaznickou zkušenost. A právě v tom je rozdíl mezi škálováním pomocí AI a relevancí, která má obchodní i lidskou hodnotu.

Litmus ve svém reportu a Kath Pay ve své interpretaci tím vlastně připomínají jednoduchou věc: technologie zvětšuje dosah rozhodnutí, ale jejich kvalitu neurčuje. U personalizace to platí dvojnásob.

Základní dovednosti, které AI nezneplatňuje

Report Litmus State of Email 2026 ukazuje, že firmy nehledají jen lidi, kteří umí spustit AI a vyplivnout další text. Podle dat, které ve výzkumu interpretuje Kath Pay, zůstávají v popředí i úplně „neokázalé“ disciplíny: copywriting a optimalizace obsahu mají shodně 16 %, správa a optimalizace doručitelnosti také 16 %, soulad a ochrana dat 15 %, design a vývoj HTML/CSS šablon 14 % a A/B testování s experimentováním 11 %.

Na první pohled to může působit jako seznam podpůrných funkcí. V praxi ale jde o místa, kde AI nejrychleji narazí na limity. Umí navrhnout variantu předmětu nebo textu, ale sama neuhlídá, jestli výstup opravdu přesvědčí, nezní genericky a sedí na konkrétní fázi komunikace. Stejně tak pomůže s obsahem, ale nedohlédne, jestli e-mail dorazí do schránky, neporuší pravidla ochrany soukromí a správně se zobrazí napříč šablonami.

Právě tady se ukazuje rozdíl mezi rychlou produkcí a funkčním e-mailingem. Když necháme AI generovat více obsahu, snadno skončíme u většího objemu průměrných výstupů. Když ale zvládneme copywriting, doručitelnost, compliance, šablony a testování, držíme kvalitu celého systému. A čím větší roli AI v týmu má, tím víc se slabiny v těchto disciplínách odhalí. AI je nezakryje, naopak je zvýrazní.

To samé platí i pro optimalizaci. Bez dobře navrženého testování se z AI stává jen stroj na varianty, ne nástroj pro lepší rozhodování. Bez znalosti doručitelnosti se i dobrý text mine cílem. Bez technické přesnosti v HTML/CSS se dynamický obsah rozpadne dřív, než stihne cokoliv ovlivnit. A bez respektu k datům a pravidlům souhlasu se personalizace mění v problém, ne v přínos.

Jinými slovy: AI nám může urychlit práci, ale základní řemeslo nezruší. Naopak je znovu staví do středu pozornosti, protože právě na nich stojí, jestli se automatizace, personalizace i content vůbec promění ve výsledky, které mají obchodní smysl.

T-shaped profil marketéra a nábor na úsudek

V praxi čím dál častěji hledáme méně „operátora AI“ a víc člověka, který umí propojit disciplíny. Budoucí emailový marketér není široký generalista bez hloubky. Je T-shaped: v jedné nebo dvou oblastech jde do detailu, ale zároveň rozumí celému ekosystému natolik, aby jednotlivé části dovedl spojit do funkčního celku.

To je důležité hlavně proto, že email marketing se nedá řídit po izolovaných ostrovech. Kdo dělá strategii životního cyklu, musí chápat i doručitelnost, data a testování výkonu. Kdo vede CRM a automatizaci, potřebuje rozumět psychologii zákazníka i sekvencím zpráv. A copywriter zase nestačí, když umí napsat text; musí umět číst výstupy z AI a přeložit je do různých fází zákaznické cesty.

V tom je rozdíl mezi úzkou rolí a skutečnou senioritou. Emailový marketing je příliš propojený na to, abychom o něm přemýšleli po oddělených disciplínách. Test předmětu není jen o formulaci předmětu. Patří do něj cílové skupiny, hypotézy, velikost vzorku, načasování i metrika. Podobně welcome journey není jen série zpráv. Řešíme v ní atributci, pozici značky, nabídku, hierarchii obsahu, sběr dat i měření.

Stejně tak personalizace neznamená jen víc proměnných v obsahu. Zahrnuje souhlas, relevanci, kreativní provedení, kontext životního cyklu, provozní kapacitu a důvěru zákazníků. AI tady pomáhá škálovat možnosti, ale sama nepozná, co už je přínosné a co už jen hlasitější. Relevance pořád stojí na úsudku, ne na množství generovaných variant.

Proto firmy ve skutečnosti nehledají lidi, kteří umějí jen dobře zadat prompt. Hledají někoho, kdo dokáže výstup zpochybnit, zpomalit, když je to potřeba, a naopak zrychlit tam, kde to neohrozí kvalitu. Potřebují člověka, který použije technologii bez úniku od odpovědnosti za práci. Právě to je nábor na úsudek.

Pokud to shrneme do jedné věty, budoucí emailový marketér je stratég, interpret, obhájce zákazníka, systémový myslitel a komerční marketér v jedné roli. AI mu rozšiřuje dosah, ale nenahrazuje schopnost spojit strategii, kontext a obchodní cíl do jednoho rozhodnutí.

AI vám v e-mailu práci zrychlí. Úsudek rozhodne, jestli ji také zlepší.

To podstatné na náborových datech není to, že firmy chtějí AI. Podstatné je, že pořád stejně silně chtějí strategii, automatizaci, analytiku, personalizaci i technické řemeslo. Jinými slovy: nehledají člověka, který umí generovat více výstupů. Hledají někoho, kdo pozná, co má smysl automatizovat, personalizovat, měřit a vůbec posílat.

Právě tady se v praxi nejčastěji láme kvalita. Když AI dostane špatný rámec, nevznikne lepší marketing, ale jen rychlejší produkce průměrnosti. Když ji řídí člověk s úsudkem, stane se z ní užitečný násobič práce. Ne strategie sama o sobě.

Pro hiring i řízení týmu z toho plyne nepříjemná, ale užitečná věc: neptejte se jen, jestli kandidát umí pracovat s AI. Ptejte se hlavně, jestli pozná, kdy ji použít, kdy ji brzdit a kdy její návrh raději zahodit. V e-mailingu totiž pořád nerozhoduje adopce nástroje, ale schopnost rozlišit, co je efektivní a co jen vypadá moderně.

Zdroj: martech.org

---